Cantwell, John m.fl. (2000), Informationsfusion, Linköping: Försvarets Forskningsanstalt. ISSN 1104-9154
Svensson, Per (2003), Teknisk översikt och prognos 2002-2020 för området Informationsfu- sion, Linköping: Totalförsvarets Forskningsinstitut. ISSN 1650-1942
6.3 Internet
Internetadresserna kontrollerades den 8 december 2003 1. ”Crime Analysis Associates” hemsida:
http://www.crimeanalysis.net/
2. SÄPO/Rikskrim- kommiténs utlåtande om grov organiserad brottslighet:
http://justitie.regeringen.se/propositionermm/sou/pdf/sou2000_25a.pdf
3. Rikskriminalpolisens hemsida:
http://www.rikskriminalpolisen.polisen.se
5. Publikation om principer och användning av GIS vid brottsanalyser
http://www.ncjrs.org/html/nij/mapping/178919ack.pdf 6. Manual till CrimeStat:
http://www.icpsr.umich.edu/NACJD/crimestat.html#DOWNLOAD
7. Hemsida som handlar om användningen av GIS för att kartlägga djurs rörelser. Upprättad av ”U.S. Geological Survey”:
http://www.absc.usgs.gov/glba/gistools/index.htm
8. Hemsida som handlar om ”Dragnet” vilket är ett analysprogram för att förutspå en brotts- lings mest sannolika bostad:
http://www.i-psy.com/publications/publications_dragnet.php
9. En hemsida som redogör för litteratur om brottsanalyser med GIS som hjälpmedel:
http://www.geography.hunter.cuny.edu/capse/projects/nij/crime_bib2.html
10. Artikel om brottsanalyser med hjälp av GIS från 2001:
http://www.theomegagroup.com/articles/cv_crimeMappingNews_2001.pdf
11. Hemsida upprättad av ”The Omega Group” där bland annat ett program för brottsanalyser finns att läsa om:
http://www.theomegagroup.com/
12. Artikel upprättad av ”ESRI” som behandlar varför man använder GIS vid brottsanalyser:
http://www.esri.com/library/newsletters/govmatters/govtmatwin00.pdf
13. Hemsida som beskriver Brottsförebyggande rådets verksamhet där bland annat en länk till ”Brott på karta” finns:
http://www.landskrona.se/kommun/asn/Forebyggande/RamBr%E5aVerksamhet.htm
14. Hemsida som beskriver svenska ”Brott på karta”
http://www.bra.se/extra/publication/?button_showpublication.154.=1
15. Publikation som är upprättad av ”Crime Mapping & Analysis Program” och handlar om ämnen inom brottsanalyser med hjälp av GIS
http://www.nlectc.org/cmap/cmap_adv_topics_symposium.pdf
16. Interpols hemsida som ger sin syn på kriminalunderrättelsetjänst:
7 Bilagor
7.1 Rums- tidsanalyser
1 Lägg till tabellen i ArcView som inne-
håller alla händelser som skall analyseras • I ArcViews projektfönster – gå till ”Tab-les”
• Tryck därefter på knappen ”Add”
• Välj ”Delimited Text” i ”List Files of Type” och leta reda på den textfil som skall analyseras
• Markera filen och tryck ”Ok”
2 Lägg till tabellen som ett punkttema • I ArcViews projektfönster – gå till ”Vi- ews” och öppna den vy där kartunderla- get finns
• Tryck på ”View” i menyn och välj ”Add Event Theme…”
• Välj textfil i ”Table” och definiera de fält i tabellen som innehåller X- respek- tive Y-koordinat
• Tryck sedan på knappen ”Ok” 3 Konvertera textfilen till en shape-fil • Tryck på punkttemat som skapades i
förra steget
• Tryck på ”Theme” i menyn och välj ”Convert to Shapefile…”
4 Välj färg på punkterna • Dubbelklicka på det nya punkttemat (shape-fil) – ”Legend Editor” öppnas
• Dubbelklicka på symbolrutan och välj sedan den färg som skall representera den aktuella händelsen
• Tryck sedan på ”Apply” och stäng ”Le- gend Editor”
5 Utför analys i CrimeStat2 – Välj rätt fil
att analysera • Öppna CrimeStat2 och tryck på ”Select Files”
• Välj ”Shape files” i droppfönstret ”Type”
• Tryck sedan på ”Browse” och leta reda på den shapefil som tagits fram i ArcVi- ew
• Öppna shapefilen och tryck ”OK” 6 Definiera variablerna i shapefilen • Under ”Data setup” välj ”Primary File”
och definiera X- och Y-variablerna i ”Column”-menyerna
• Välj sedan typ av koordinatsystem (Pro- jected), längd och tidsenheter
• Ställ in parametrarna för den valda ana- lysmetoden och välj att spara resultatet som en shapefil
• Tryck sedan på ”Compute”-knappen 8 Visa CrimeStats analysresultat i ArcVi-
ew • Gå tillbaka till ArcView och välj ”View” – ”Add Theme…”
• Leta fram den shapefil som skapats i CrimeStat2 – markera filen och tryck ”OK”
9 Välj de händelser i ArcView som är av
intresse (geografiskt intressanta punkter) • Markera det punkttema som innehåller de punkter som skall väljas ut genom att trycka på temat
• Välj ”Theme” – ”Start Editing”
• Välj den svarta muspekaren (”Pointer”) och klicka sedan på de punkter på kartan som skall analyseras vidare
• Välj sedan ”Theme” – ”Table…”
• Välj därefter ”File” – ”Export” och välj att exportera filen som ”Delimited Text” 10 Spara den exporterade filen som skv-fil • Öppna Excel och öppna därefter den
exporterade filen
• Spara filen som en skv-fil för vidare analyser i PredictIT
11 Öppna PredictIT för att se hur de valda
händelserna fördelar sig över tiden •• Öppna PredictIT Tryck på ”New analysis” och definiera alla fält som ingår i tabellen som skall analyseras. Ställ även in datum- och tidsenheterna
• Döp inställningarna i ”Saved import settings” och tryck på ”Save”
• Tryck därefter på ”Open” för att visa händelserna i ett tidsdiagram
12 Analys av flera olika händelser • Om man skall jämföra hur olika händel- ser (andra tabeller) fördelar sig över ti- den – tryck på ”Add data” och definiera alla variabler på samma sätt som föregå- ende steg
13 Diagraminställningar • I ”Toolbox”-fönstret ställer man t.ex. in färger för punkterna samt antal dagar som skall representeras mellan varje cir- kel
14 Identifiering av intressanta händelser • Observera hur händelserna fördelar sig över tiden i cirkeldiagrammet
7.2 Tids- rumsanalyser
1 Identifiering av intressanta händelser i
PredictIT •• Öppna PredictIT Tryck på ”New analysis” och definiera alla fält som ingår i tabellen som skall analyseras. Ställ även in datum- och tidsenheterna
• Döp inställningarna i ”Saved import settings” och tryck på ”Save”
• Tryck därefter på ”Open” för att visa händelserna i ett tidsdiagram
2 Analys av flera olika händelser • Om man skall jämföra hur olika händel- ser (andra tabeller) fördelar sig över ti- den – tryck på ”Add data” och definiera alla variabler på samma sätt som föregå- ende steg
3 Diagraminställningar • I ”Toolbox”-fönstret ställer man t.ex. in färger för punkterna samt antal dagar som skall representeras mellan varje cir- kel
4 Urval av intressanta händelser • Observera hur händelserna fördelar sig över tiden i cirkeldiagrammet
• Klicka på punkterna som är av intresse för att se dess X- och Y-koordinater, ex- akta tidpunkt och datum
• Anteckna de datum, tidpunkter och X- och Y-koordinater som är intressanta och gå till Excel för att välja de händel- ser som t.ex. sträcker sig över en identi- fierad/möjlig intressant tidsperiod
• Kopiera de händelser som är av intresse i tabellen och klistra in dom i ett nytt Ex- cel-blad
• Spara den nya tabellen som en textfil för vidare analyser
5 Lägg till tabellen i ArcView som inne-
håller de händelser som skall analyseras • I ArcViews projektfönster – gå till ”Tab-les”
• Tryck därefter på knappen ”Add”
• Välj ”Delimited Text” i ”List Files of Type” och leta reda på den textfil som skall analyseras
• Markera filen och tryck ”Ok”
6 Lägg till tabellen som ett punkttema • I ArcViews projektfönster – gå till ”Vi- ews” och öppna den vy där kartunderla- get finns
• Tryck på ”View” i menyn och välj ”Add Event Theme…”
fält i tabellen som innehåller X- respek- tive Y-koordinat
• Tryck sedan på knappen ”Ok”
7 Välj färg på punkterna • Dubbelklicka på det nya punkttemat
(shape-fil) – ”Legend Editor” öppnas
• Dubbelklicka på symbolrutan och välj sedan den färg som skall representera den aktuella händelsen
• Tryck sedan på ”Apply” och stäng ”Le- gend Editor”
8 Lägg till den tabell/de tabeller som inne-
håller andra händelser (om några) • Upprepa stegen 5-7
9 Alternativa geografiska analyser 1. När analysen innehåller flera punktte- man kan man växla ordningen på lagrena så att punkterna på kartbilden turas om att ligga över varandra. På detta sätt kan man urskilja om händelserna ägt rum på samma plats under samma tidsperiod 2. Utför analyser i CrimeStat2 där alla hän-
delser ingår i analysen (se steg 5-8 i Me- tod 1) och jämför resultatet med de hän- delser som valts ut från PredictIT- analysen (jämför de valda punkterna och hotspot- områdena i ArcView)
3. Utför avståndsanalyser mellan händel- serna för att se de som har möjliga kopplingar. Mät avståndet mellan två händelser som t.ex. ägt rum samma dag. Är det rimligt att händelserna har någon koppling med tanke på avstånd och tids- skillnader
4. Välj att göra ett urval bland händelserna. Tryck på det lager som skall analyseras. Under ”Theme” –”Query…” välj att visa de händelser med vissa egenskaper. Tryck på ”New Set” så markeras de punkter som uppfyller de krav man ställt
7.3 Exempel
I detta kapitel kommer ett exempel på hur en analys kan gå till. I exemplet analyseras tre olika mobiltelefonnummer varav två nummer tillhör en och samma person. Ägarna till mobiltele- fonabonnemangen har jag valt att kalla person A respektive person B. Mobiltelefonlistorna som analyseras sträcker sig båda över en 3 års period samt att det geografiskt finns en av- gränsning då alla telefonsamtalen har ägt rum i Stockholm. Person A har ringt 1829 samtal medan person B har ringt 3000 samtal.
Först öppnas ArcView där GSD-Tätort för Stockholm laddas. Sedan öppnas mobiltelefonlis- torna i Excel för att därefter kunna sparas som .txt-filer samt .skv-filer. Textfilerna öppnas i ArcView genom att man lägger till filerna som punktteman där varje punkt kommer represen- tera en mast som använts under 3 års period. De blå punkterna representerar de master som person A har kopplats upp till, medan de röda punkterna representerar person B:s uppkopp- lingar (se figur 8.3.1).
Nu när telefonlistorna har laddats i ArcView som punktteman kan temana konverteras till shape-filer. För att sedan ta reda på inom vilka områden som flest antal telefonsamtal ägt rum laddas shape-filerna för de båda personernas telefonsamtal i CrimeStat2 där hotspots- analy-
Figur 8.3.1 – Mobiltelefonmaster som använts under en 3 års period i Stockholm av två olika perso- ner
den passar till den informationsstruktur som telefonlistorna består av. Resultatet från STAC- analysen visas i figur 8.3.2 nedan. De blåa ellipserna tillhör STAC-analysen av person A:s telefonsamtal och de orangea ellipserna tillhör STAC-analysen av person B:s telefonsamtal. STAC-analyserna visar att båda personernas hotspot- områden ligger i anslutning till var- andra. Analyserna visar även att person B har ringt de flesta av sina samtal i Stockholms in- nerstad medan person A:s hotspot- områden är mer utspridda över hela Stockholm.
Den andra hotspot- metoden som används är Mode (se förklaring under kapitel 2.2.1). Mode- metoden är mycket väl anpassad för analyser av mobiltelefonlistor då flera uppkopplingar sker mot samma mast (samma X- och Y-koordinat). Resultatet från Mode-analyserna redovi- sas i tabellen (tabell 8.3.1) på nästa sida. Resultatet visar de 10 mest använda masterna för båda personerna, där information som antal uppkopplingar och dess X- och Y-koordinater redovisas.
Person A PersonB
Rank Antal X-koordinat Y-koordinat Rank Antal X-koordinat Y-koordinat
1 663 1621750 6591850 1 553 1629630 6581600 2 89 1603850 6600940 2 105 1630450 6576050 3 76 1627250 6576000 3 95 1619520 6586070 4 69 1621550 6594000 4 81 1626700 6581550 5 56 1623650 6581300 5 69 1629350 6578500 6 51 1629630 6581600 6 65 1624600 6583700 7 45 1625050 6586230 7 61 1621750 6591850 8 44 1639770 6595190 8 59 1623650 6581300 9 32 1628300 6581100 9 58 1622800 6582270 10 27 1629300 6576900 10 51 1626440 6581050
Nästa steg i analysen är att ladda telefonlistorna i PredictIT. Detta görs genom att skv-filerna som skapades i Excel öppnas i PredictIT för närmare analys. I figur 8.3.3 nedan har både per- son A:s och person B:s mobiltelefonlistor laddats och redovisas i PredictIT. De blå och turkosa punkterna representerar person A:s samtal från två olika mobiltelefonnummer. De röda punkterna representerar person B:s samtal.
Inställningarna är gjorda så att antalet dagar mellan varje cirkel är lika med 30. Detta eftersom mobiltelefonsamtalen sträcker sig över en 3 års period. Om man använder grundinställningar- na som är 1 dag mellan varje cirkel skulle i detta fall cirklarna sitta så tätt att man inte skulle se någonting.
När man tittar på resultatet från PredictIT (figur 8.3.3) ser man ett antal intressanta perioder. Man ser två perioder, vardera cirka 30 dagar, där inga mobiltelefonsamtal har begåtts från varken person A eller person B i Stockholm. Detta kan bero på att varken person A eller per- son B varit i Stockholm under dessa perioder. Jag väljer därmed att titta närmare på var per- sonerna ringt sina samtal före och efter dessa perioder för att se om de kan ha haft möjliga kontakter med varandra. I Excel öppnar jag mobiltelefonlistorna från både person A och per- son B. Därefter väljer jag att kopiera från vardera mobiltelefonlista de samtal som personerna begått ungefär 2 månader före uppehållen (020901-021027). Den kopierade informationen klistras sedan in i nya Excel-blad och sparas som textfiler. Textfilerna öppnas sedan i ArcVi- ew som punktteman och konverteras till shape-filer (se figur 8.3.4).
Figur 8.3.4 – De master som använts under perioden 020901-021027 av både person A och person B visas i ArcView 3.1 (person B:s punkttema överst, dvs. B:s röda punkter täcker A:s blåa punkter då de använt samma mast)
gården. Jag väljer att titta närmare när de olika personerna använt denna mast eftersom denna plats skiljer sig från de övriga då dess geografiska läge är speciellt (Djurgården är omgiven av vatten och anses därför som ett relativt begränsat område). Figuren 8.3.5 visar området kring Djurgården samt den mast som båda personerna använt sig av.
I figur 8.3.6 redovisas när de båda personernas uppkopplingar mot masten på Djurgården un- der perioden 020901-021027 i PredictIT.
Figur 8.3.5 – Den mast som person A och B har använt under perioden 020901-021027 på Djur- gården
De uppkopplingar som ägt rum på Djurgården är av intresse på flera sätt. För det första är tidpunkterna för samtalen intressanta. Person A har ringt vissa av sina samtal relativt tidigt på morgonen de första dygnen. De andra samtalen har skett på eftermiddagen eller kvällen. Både person A och person B har sällan ringt något samtal mitt på dagen. För det andra är dessa uppkopplingar mot masten på Djurgården de enda personerna ifråga har gjort på 3 år. De har dessutom använt samma mast under en begränsad tid.
För att sedan ta reda på var personerna har ringt sina samtal på Djurgården har uppkopplings- vinklarna mot masten analyserats. Figurerna 8.3.7, 8.3.8 och 8.3.9 visar inom vilka vinklar uppkopplingarna skett.
Tabell 8.3.6 – Tidpunkter då person A och person B blivit uppkopplade mot masten på Djurgården
Figur 8.3.7 – Vinkel varifrån person A har ringt 8 av sina 21 mobilsamtal (person B har inte ringt några mobilsamtal från denna vinkel)
Figur 8.3.8 – Vinkel varifrån person A har ringt 6 av sina 21 mobilsamtal och person B har ringt 48 av sina 51 mobilsamtal
Efter analysen av uppkopplingsvinklarna kan man dra vissa slutsatser: Antingen har perso- nerna befunnit sig på en båt utanför Djurgården, eller så har de befunnit sig på Djurgården alternativt på Beckholmen där uppkopplingarna från vinkeln i figur 8.3.9 varit när personerna tagit sig till eller från mötesplatsen. Generellt kan man dra den slutsatsen att personerna A och B med stor sannolikhet varit i kontakt med varandra före de månadslånga uppehållen.
Nu när perioden före uppehållen har analyserats väljer jag att titta närmare på perioden efter uppehållen. Detta för att se om personerna haft möjliga kontakter även då. Jag väljer att kopi- era från bådas mobiltelefonlistor de mobiltelefonuppkopplingar som ägt rum en månad efter uppehållen (030206-030226). De kopierade uppkopplingarna klistras sedan in i nya Excel- blad och sparas som textfiler. Textfilerna laddas i ArcView 3.1 som punktteman och konver- teras till shape-filer. I figuren 8.3.10 och visas de master som både person A och person B har använt under perioden 030206-030226 i Stockholm. Skillnaden mellan person A:s respektive person B:s användning av masterna registreras genom att man växlar vilket punkttemalager som får ligga överst.
Figur 8.3.9 – Vinkel varifrån person A har ringt 7 av sina 21 mobilsamtal och person B har ringt 3 av sina 51 mobilsamtal
Efter det att man skiftat plats på de båda lagerna fram och tillbaka för att se vilka master som använts av båda personerna under samma tidsperiod har en speciell plats identifierats. Platsen ligger på en ganska avskild plats i ett industriområde. Figur 8.3.11 visar området kring indu- striområdet samt den mast som båda personerna använts sig av.
Figur 8.3.10 – De master som använts under perioden 030206-030226 av både person A och person B visas i ArcView 3.1 (person A:s punkttema överst, dvs. A:s blåa punkter täcker B:s röda punkter då de använt sam- ma mast)
Det intressanta med masten i industriområdet är att den använts av både person A och person B under samma dag. Det visar sig även att det är den enda gången person A använder denna mast under en 3 års period. Jag väljer därför att visa alla master som båda personerna använde denna dag och vid de första uppkopplingarna dagen därpå (se figur 8.3.12). Figur 8.3.12 med tillhörande tabell 8.3.2 visar i vilken ordning och när masterna har använts av de båda perso- nerna.
Resultatet från A:s Mode-analys (se tabell 8.3.1) visar att den mast som använts flest gånger är den som använts vid person A:s första, fjärde, femte och sjunde samtal (under perioden 030214- 030215). Samma mast har vid analyser i PredictIT visats vara aktiv vid morgon- och kvällssamtalen. Slutsatsen av detta är att personen ifråga kan tänkas bo någonstans i området kring denna mast.
Figur 8.3.11 – Bild över det industriområde där den mast står som både person A och person B har använt under perioden 030206-030226
1 A:s första samtal (030214, 17:02) 2 A:s andra samtal (030214, 19:31) 3 A:s tredje samtal (030214, 19:56) 4 A:s fjärde samtal (030214, 21:28) 5 A:s femte samtal (030214, 21:47) 6 A:s sjätte samtal (030214, 22:56) (7) A:s sjunde samtal (030215, 07:37)
1 B:s första samtal (030214, 12:18)
2 B:s andra samtal (030214, 13:39)
3 B:s tredje samtal (030214, 13:55)
4 B:s fjärde samtal (030214, 14:16)
5 B:s femte samtal (030214, 17:05)
Figur 8.3.12 – De master som använts av både person A och person B 030214 samt de första uppkopplingarna dagen därpå
Tittar man på person B:s sjätte och sjunde samtal ser man att det skiljer fyra minuter mellan dessa. Tittar man sedan på avståndet mellan de master som använts vid dessa mobiltelefon- samtal ser man att det rör sig om ungefär 1,5 mil fågelvägen. Detta betyder att personen måste ha färdats i väldigt hög hastighet mellan platserna eller så kan det vara ett fel på tiderna i tele- fonlistan.
Exemplet visar att man av de 4829 mobiltelefonsamtal som begåtts av två personer tillsam- mans, kan finna kopplingar och samband mellan dessa personer i rum och tid. Detta genom att använda den funktionsmodell som tagits fram i detta examensarbete.